Statistik IBM SPSS. tingkat 5. Analisis statistik multivariat - kursus RUB 34.990. dari Spesialis, pelatihan 32 ac. h., Tanggal: 17 September 2023.
Miscellanea / / December 05, 2023
Mata kuliah ini mengkaji metode statistik multivariat, yang juga diklasifikasikan sebagai metode data mining. Metode ini memungkinkan untuk menemukan pola yang tersembunyi dan tidak terlihat dalam sejumlah besar data dan membuat keputusan manajemen berdasarkan pola tersebut.
Percakapan 1. Perkenalan
Percakapan 2. Sejarah Singkat SPSS
Percakapan 3. Untuk siapa kursus SPSS?
Percakapan 4. Manfaat kursus SPSS di Spesialis
Percakapan 5. Metode statistik untuk analisis data menggunakan IBM SPSS Statistics
Percakapan 6. Analisis Data Tingkat Lanjut dengan Statistik IBM SPSS
Percakapan 7. Menyajikan data dalam bentuk tabel di IBM SPSS Statistics
Percakapan 8. Melakukan survei sampel menggunakan modul Sampel Kompleks dari IBM SPSS Statistics
Percakapan 9. Teknik efektif untuk mengelola file dan data di IBM SPSS Statistics
Percakapan 10. Kesimpulan
Anda akan belajar:
- Melakukan analisis cluster menggunakan berbagai metode
- Melakukan analisis faktor dan komponen
- Melakukan analisis dan klasifikasi diskriminan berdasarkan itu
- Membangun pohon keputusan dan menganalisisnya
- Membangun model dispersi multidimensi
Seorang guru-praktisi profesional dengan pengalaman kerja yang luas dan beragam, serta pengalaman mengajar lebih dari 10 tahun. Menjelaskan materi pendidikan dengan cara yang menarik dan dapat dipahami, menggunakan banyak contoh menarik dari praktiknya sendiri. Kecerahan...
Seorang guru-praktisi profesional dengan pengalaman kerja yang luas dan beragam, serta pengalaman mengajar lebih dari 10 tahun. Menjelaskan materi pendidikan dengan cara yang menarik dan dapat dipahami, menggunakan banyak contoh menarik dari praktiknya sendiri. Kecerahan dan keaktifan presentasi Alina Viktorovna membantu pendengar mengasimilasi kurikulum dengan cepat dan penuh. Guru menjawab secara rinci semua pertanyaan yang muncul dari audiens dan dengan cermat mengomentari situasi yang dianalisis.
Alina Viktorovna memiliki beberapa pendidikan tinggi dalam spesialisasi "Teknologi Informasi" dan "Ekonom". Meraih gelar akademik Kandidat Ilmu Teknik di bidang otomasi dan pengendalian proses teknis di industri. Berpartisipasi dalam pengembangan model statistik untuk otomatisasi proses teknologi produksi kaca lembaran, dalam proyek-proyek penerapan metode statistik pengendalian proses di industri otomotif (di pabrik seperti AvtoVAZ, KamAZ, GAZ dan dll.). Menganalisis sistem perawatan kesehatan di wilayah Federasi Rusia. Ikut serta dalam proyek untuk mengidentifikasi kecenderungan kewirausahaan di kalangan anak sekolah sebagai analis.
Dia telah mengembangkan banyak kompleks pendidikan dan metodologi, dan telah berulang kali mengambil bagian dalam pekerjaan komisi sertifikasi untuk mempertahankan pekerjaan kualifikasi. Penulis 17 karya ilmiah, termasuk artikel ilmiah di publikasi Rusia dan asing. Memiliki sertifikat dari perusahaan Jerman Q-DAS untuk melakukan pelatihan khusus tentang pengendalian proses statistik untuk perusahaan BOSCH.
Alina Viktorovna memiliki penguasaan metodologi yang sempurna untuk menggambarkan proses bisnis, pemodelan sistem, metode pemrosesan data statis, dan standar desain IS. Di kelasnya, ia memberikan contoh dari berbagai bidang kerja agar materi dapat dipahami secara merata oleh siswa dari berbagai industri.
Modul 1. Analisis klaster dan penerapannya (2 ac. H.)
- Metode klasifikasi multidimensi
- Konsep dan bidang penerapan analisis klaster
- Tugas analisis cluster
- Metode analisis klaster
- Keuntungan dan kerugian analisis klaster
- Tahapan analisis klaster
- Data awal untuk analisis cluster
- Mengukur jarak antar objek
- Analisis kualitas klasifikasi
Modul 2. Analisis klaster hierarki (4 ac. H.)
- Fitur analisis klaster hierarki
- Algoritma metode hierarki analisis cluster
- Mengukur jarak antar cluster
- Jarak Prosedur
- Ukuran perbedaan
- Ukuran kesamaan
- Prosedur Analisis klaster hierarki
- Memilih metode analisis cluster hierarki
- Hasil prosedur Analisis Cluster Hirarki
- Representasi grafis dari hasil analisis cluster hierarki
- Menyiapkan statistik untuk prosedur Analisis Cluster Hierarki
- Menyimpan variabel baru
Modul 3. Klasifikasi menggunakan metode k-means (2 ac. H.)
- Esensi dan fitur metode k-means
- Algoritma metode k-means
- Prosedur analisis Cluster menggunakan metode k-means
- Hasil prosedur analisis Cluster menggunakan metode k-means
- Mengatur jumlah iterasi
- Menyiapkan parameter tambahan
- Hasil menampilkan pengaturan tambahan
- Menyimpan variabel baru
- Presentasi hasil secara grafis
Modul 4. Analisis klaster dua tahap (4 ac. H.)
- Fitur analisis klaster dua tahap
- Prasyarat untuk analisis cluster dua tahap
- Algoritma untuk analisis cluster dua tahap
- Prosedur Analisis klaster dua tahap
- Ringkasan hasil model
- Penilaian struktur cluster
- Lihat informasi tentang cluster
- Menampilkan informasi tentang cluster
- Kontrol keluaran
- Output dari prosedur Analisis Cluster Dua Langkah
- Panel Penampil Klaster tambahan
- Pemilihan observasi berdasarkan cluster
- Parameter prosedur analisis klaster dua tahap
Modul 5. Metode reduksi dimensi: analisis faktor dan komponen (4 ac. H.)
- Konsep analisis faktor
- Maksud dan tujuan analisis faktor
- Tahapan analisis faktor
- Prasyarat untuk penggunaan analisis faktor
- Algoritma analisis komponen
- Algoritma analisis faktor
- Perbandingan analisis faktor dan komponen
- Prasyarat untuk penggunaan analisis faktor dan komponen
- Analisis Faktor Prosedur
- Hasil prosedur Analisis Faktor
- Aturan untuk memilih faktor
- Memilih metode analisis faktor
- Masalah rotasi faktor
- Penyesuaian rotasi faktor
- Parameter prosedur analisis Faktor
- Output statistik deskriptif
- Menyimpan nilai faktor
Modul 6. Klasifikasi berbasis respons: analisis diskriminan (4 ac. H.)
- Segmentasi berdasarkan tanggapan
- Metode segmentasi berbasis respon
- Data awal untuk analisis diskriminan
- Persamaan antara analisis diskriminan dan regresi logistik
- Perbedaan antara analisis diskriminan dan regresi logistik
- Maksud dan tujuan analisis diskriminan
- Prasyarat untuk analisis diskriminan
- Tahapan analisis diskriminan
- Metode analisis diskriminan
- Data awal
- Model analisis diskriminan linier
- Prosedur Analisis Diskriminan
- Hasil prosedur Analisis Diskriminan
- Statistik prosedur Analisis Diskriminan
- Metode prosedur seleksi bertahap Analisis diskriminan
- Klasifikasi berdasarkan hasil analisis diskriminan
- Statistik klasifikasi
- Menyimpan variabel baru
Modul 7. Analisis varians multivariat (4 ac. H.)
- Analisis varians multivariat
- Mengatur parameter untuk prosedur multidimensi OLM
- Hasil utama analisis varians multivariat
- ANOVA dengan pengukuran berulang
- Prosedur GLM - pengukuran berulang
- Mengatur parameter untuk prosedur pengukuran berulang OLM
Modul 8. Model klasifikasi berdasarkan pohon keputusan (8 ac. H.)
- Inti dari metode membangun pohon keputusan
- Area penerapan pohon keputusan
- Fitur dan prasyarat untuk menggunakan metode pohon keputusan
- Metode untuk membangun pohon keputusan
- Perbandingan metode untuk membangun pohon keputusan
- Pohon Klasifikasi Prosedur
- Interpretasi dan studi pohon keputusan
- Memeriksa kecukupan model
- Menyesuaikan output dalam prosedur Pohon Klasifikasi
- Pengaturan dan parameter prosedur Pohon Klasifikasi
- Aturan untuk mengklasifikasikan observasi
- Kriteria dalam prosedur Pohon Klasifikasi
- Pohon keputusan regresi
- Pembangunan pohon keputusan regresi